用 MiniMax H3 做出自帶聲音的影片

文字轉影片只要一段提示詞，是測試點子最輕鬆的做法：先大致寫個場景，聽聽聲音出來的感覺，再慢慢修。畫面比例的選擇也最齊全，從手機直式的 9:16 到電影感的 21:9 寬螢幕都有。

上傳一張開頭影格，影片就從這張圖開場，接著照提示詞的描述動起來。開場構圖很重要的時候就用它：已經定案的人像、商品拍攝的照片，或分鏡裡想讓它動起來的那一格。

只給結尾影格也行。畫面會一路走向你提供的那張圖，很適合「揭曉」型的鏡頭：瓶子最後穩穩停在主視覺的位置、房門推開露出裝潢好的房間，或是動態最後收在一張排好版的畫面上。

同時給開頭和結尾影格，中間怎麼動就交給模型補上。剪接時拿來銜接兩個鏡頭、呈現前後對比，或把兩格分鏡串成一個連貫的運鏡都很好用。輸出畫面的形狀會跟你上傳的圖片一致。

參考圖模式最多吃 5 張圖，用來引導畫面，而不是當作固定的開頭或結尾影格。可以放角色、服裝、商品或場景，動作則在提示詞裡自由描述。除了六種固定比例，這個模式還多了「自適應」可選。

每支影片都附一條和畫面一起生成的立體聲音軌，不是事後才疊上去的。把對白、配樂或音效寫進提示詞，它們就會成為成品的一部分。音軌固定開啟，所以就算只需要畫面，也要先想好聲音怎麼處理。

片長可以是 4 到 15 秒之間的任何整數，能對上剪接裡的某個節拍或平台規定的長度，不用被固定檔位綁住。調整片長時，生成按鈕上的點數也會跟著變動。

768P 適合測試和發社群平台，2K 則留給最後交付的版本。生成按鈕上的點數會隨解析度改變，你可以自己比較兩個等級的差別，把 2K 留給真正值得多花一點的那一支。

把已經定案的商品照當作結尾影格上傳，再描述前面的鋪陳：盒蓋掀開、光線掃過標籤、一聲輕柔的「咻」，最後一聲清脆的提示音。影片會停在客戶已經確認過的那張圖上，最終版可以用 2K 生成。

做手機端的內容，就寫一個 9:16 的短場景，配一句台詞和一段背景音樂，片長設 8 到 10 秒，用 768P 生成。出來的影片聲音已經到位，發布前要補的東西會少很多。

把兩格分鏡分別當作開頭和結尾影格，中間的動態交給模型補齊。先用 768P 做，團隊在敲定拍攝檔期或決定上 2K 之前，就能檢查節奏、運鏡和大致的聲音效果。

準備一組最多 5 張的參考圖，包括角色本身、服裝和常出現的場景，每一集都沿用這組圖，只改提示詞。每次都從同一組圖出發，有助於讓整個系列一支接一支都保有辨識度。

從剪輯時間軸匯出上一個鏡頭的最後一格和下一個鏡頭的第一格，當作首尾影格上傳，生成連接兩者的那段動態。因為首尾影格模式依照圖片形狀，轉場片段剛好符合你專案的畫面比例。

用 21:9 或 16:9 的寬畫面拍黃昏的城市、雨後的森林或安靜的咖啡廳，各自配上相符的環境音，很適合當片頭、簡報和影音散文的背景。後面要配旁白的話，就寫明只要環境音、不要配樂。

先把畫面寫完，再另起一句專門寫聲音，例如：「聲音：雨滴不停打在鐵皮屋頂上，遠方傳來雷聲，沒有配樂。」畫面和聲音分開寫，提示詞讀起來更清楚，哪幾句在講音軌也一看就懂。

台詞放進引號，並交代是誰、用什麼語氣說，例如：老漁夫壓低聲音說：「暴風雨要來了。」台詞要短到能在這支影片裡講完，6 秒的鏡頭放一句話就夠，不要寫成一篇演講稿。

只寫一個曲風名稱太籠統。可以試試「緩慢的大提琴獨奏」「帶黑膠雜訊的溫暖 lo-fi 節拍」或「明亮的合成器流行樂加拍手聲」，再說明配樂是輕輕淡入、結尾漸強，還是一直壓在人聲底下。

音效跟畫面裡的動作連在一起，比較容易出現在對的位置：門被推開時嘎吱一聲、兩個朋友乾杯時玻璃叮噹作響、腳踏車輪壓過碎石沙沙作響。把聲音和動作寫在一起，也等於告訴模型它該在什麼時候出現。

音訊沒有關閉的開關。想要接近安靜的效果，與其在提示詞裡完全不提聲音，不如寫「安靜的室內底噪」或「微微的風聲」；如果成品需要完全無聲，再到剪輯軟體裡把音軌關掉。

上傳了首尾影格，畫面的樣子就已經決定了。提示詞應該拿來寫什麼在動、鏡頭怎麼移、觀眾會聽到什麼，而不是把畫面再描述一次。用參考圖模式時，用白話說明每張圖分別代表什麼。